Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DECISIÓN
MULTICRITERIO
JOSÉ MARÍA MORENO JIMÉNEZ
moreno@unizar.es
<http://gdmz.unizar.es>
Facultad de Económicas
Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-1 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
S3. MULTICRITERIO CONTINUA.
GDMZ Programación por Metas Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-2 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.1. INTRODUCCIÓN
GDMZ Universidad de Zaragoza
1. Introducción
2. Búsqueda de Metas
– Modelos de Satisfacción
– Modelos de Compromiso
3. Programación por Compromiso
– Planteamiento
– Cálculo
– Propiedades
4. Programación por Metas
– Planteamiento
– Cálculo
– Propiedades
José María Moreno Jiménez (GDMZ). S3-3 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.1. INTRODUCCIÓN
GDMZ Universidad de Zaragoza
j j j j,
∧
z j ( x) + d − d = z j ,
−
j
+
j j = 1,..., r
gi ( x) ≤ 0, i = 1,..., m
x ≥ 0, d −j ≥ 0, d +j ≥ 0.
• Es es un caso particular de la PPC con p=1, en el que
se han incluidos como restricciones débiles las metas.
José María Moreno Jiménez (GDMZ). S3-5 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
METAS PONDERADAS
• La minimización de las desviaciones expresadas
directamente carece de sentido ya que las
desviaciones consideradas están evaluadas en
diferentes unidades (su suma no tiene significado)
• Para obviar este inconveniente se puede normalizar
cada desviación con el valor del término
k
independiente. M i n ∑ λ ( d + d ) / z j
−
j
+
j
∧
j
j = 1
METAS LEXICOGRÁFICAS
• En este caso los logros son inconmensurablemente preferidos
P1>>P2 >>…>>Pr. En el caso de minimización lexicográfica
se traduce en el siguiente vector
Lex min a = [h1 (d-,d+), …, hr (d-,d+)]
o de manera más abreviada con aj = hj (d-,d+).
Lex min a = [a1, …, ar]
• Puede ocurrir que dos objetivos estén medidos en las mismas
unidades aunque las aspiraciones sean diferentes por lo que
deberían normalizarse. Al igual que sucede con los modelos de
metas ponderados, en los modelos jerarquizados, los análisis
pueden enriquecerse sometiendo a un análisis de sensibilidad.
José María Moreno Jiménez (GDMZ). S3-7 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
• Resolución:
– Método gráfico (Lee 1972, Ignizio 1976)
– Método secuencial (Dauer y Krueger 1977; Ignizio, 1978)
– Multifase (Lee 1972, Ignizio, 1976).
• Ejemplo Método Gráfico:
• El Método Secuencial exige resolver una secuencia de
programas lineales cuyo número máximo coincide con el
número de niveles de prioridad que tenga el modelo. El número
de problemas lineales se reducirá, cuando al resolver uno de
ellos no se detecte la existencia de óptimos alternativos, en tal
caso, el proceso de cálculo se detiene.
• Si se desea realizar un análisis de sensibilidad el método
secuencial no es el más apropiado utilizándose el método del
simplex modificado (multifase, Lee 1972, Ignizio, 1976).
José María Moreno Jiménez (GDMZ). S3-8 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
gi ( x) ≤ 0, i = 1,..., m ∧
z1 ( x) + (d )* −(d )* = z 1 ,
1
−
1
+
x ≥ 0, d ≥ 0, d ≥ 0.
1
−
1
+
gi ( x) ≤ 0, i = 1,..., m
Modelo k : x ≥ 0, d 2− ≥ 0, d 2+ ≥ 0.
Minx ak = hk (d k− , d k+ )
∧
zk ( x ) + d − d = z k ,
−
k
+
k
∧ k=1,…,r
z j ( x) + (d −j ) * −(d +j )* = z j , j = 1,..., k − 1
gi ( x) ≤ 0, i = 1,..., m
x ≥ 0, d k− ≥ 0, d k+ ≥ 0.
José María Moreno Jiménez (GDMZ). S3-9 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
EJEMPLO 3
Modelización:
Sean x1 y x2 el número de unidades de A y B fabricadas (v’s decisión)
Las restricciones fuertes del modelo son:
[M1] 2x1 + 1x2 ≤ 200
[M2] 4x1 + 3x2 ≤ 450
No negatividad son xj ≥ 0
Las restricciones débiles (metas) son:
[P1] (beneficio ≥ 450) 5x1 + 3x2 + d1- ≥ 450
[P2] (piezas fab. ≥ 120) x1 + x2 + d2- ≥ 120
[P3] (maximizar x2, M>>0) x2 + d3- ≤ M=150
La Función Objetivo es:
Lex Min a = [a1, a2, a3] = [d1-, d2-, d3- ]
José María Moreno Jiménez (GDMZ). S3-11 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
EJEMPLO 3
• Resolución Ejemplo 3
• Método Gráfico
• Método Secuencial
• Método Multifase
• Método Secuencial
• Paso 1: a1*=o Paso 2: a2*=o Paso 3: a3*=o
Min a1 = d1 − Min a2 = d 2 − Min a3 = d 3 −
sa 5 x1 + 3x2 + d1− ≥ 450 sa x1 + x2 + d 2− ≥ 120 sa x2 + d 3− ≤ 150
2 x1 + x2 + ≤ 200 5 x1 + 3x2 ≥ 450 ( P1) x1 + x2 ≥ 120 ( P 2)
4 x1 + 3x2 + ≤ 450 2 x1 + x2 ≤ 200 5 x1 + 3 x2 ≥ 450 ( P1)
x1 ≥ 0, x2 ≥ 0 4 x1 + 3x2 ≤ 450 2 x1 + x2 ≤ 200
x1 ≥ 0, x2 ≥ 0 4 x1 + 3 x2 ≤ 450
x1 ≥ 0, x2 ≥ 0
• Solución: x1=0 y x2=150 con a*=[0,0,0]
José María Moreno Jiménez (GDMZ). S3-12 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
EJEMPLO 3
S1
(0,150)
Min a1 = d1 −
sa 5 x1 + 3 x2 + d1− ≥ 450
2 x1 + x2 + ≤ 200
4 x1 + 3 x2 + ≤ 450
x1 ≥ 0, x2 ≥ 0
(75,50)
X
(0,0) (100,0)
R1 R2
M1
José María Moreno Jiménez (GDMZ). S3-13 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
EJEMPLO 3
S1
S1∩
∩S2
(0,150)
Min a2 = d 2 −
sa x1 + x2 + d 2− ≥ 120
5 x1 + 3 x2 ≥ 450 ( P1)
2 x1 + x2 ≤ 200
(45,75)
(75,50) 4 x1 + 3 x2 ≤ 450
(80,40) x1 ≥ 0, x2 ≥ 0
(100,0)
R1 R2 M2
M1
José María Moreno Jiménez (GDMZ). S3-14 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
EJEMPLO 3
S1
S1∩
∩S2
(0,150) M2 S1∩
∩S2 ∩S 3
Min a3 = d 3 −
sa x2 + d 3− ≤ 150
x1 + x2 ≥ 120 ( P 2)
(45,75) 5 x1 + 3 x2 ≥ 450 ( P1)
(75,50) 2 x1 + x2 ≤ 200
(80,40)
4 x1 + 3 x2 ≤ 450
x1 ≥ 0, x2 ≥ 0
X*=(0,150)
(100,0)
R1 R2 M2
M1
José María Moreno Jiménez (GDMZ). S3-15 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.2. PROGRAMACIÓN POR METAS
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-16 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-17 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-18 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-19 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-20 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-21 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-22 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-23 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
Modelo 4:
Max z = 0,5 x1 + x2
Solución: z*=6,5 sa
X1=5, X2=4 G1 : x1 ≥5
G2 : x2 ≥2
José María Moreno Jiménez (GDMZ).
= {0 ≤ x1 ≤ Postgrado
x ∈ XS3-24 6;0 ≤ xen2 Decisión + x2 ≤ 9}Bahía Blanca, 2006
≤ 5; x1Multicriterio.
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-25 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
FUNCIÓN DE LOGROS
• No confundir metas jerarquizadas con ponderadas.
Una formulación incorrecta de la función de logro,
como es la suma ponderada de las metas de las
diferentes prioridades, supone modelizaciones
equivocadas que pueden conducir a conclusiones
erróneas. Aunque pueda suponerse que un modelo
jerarquizado se puede resolver, aplicando el simplex,
como uno ponderado con valores muy dispares para las
prioridades, eso no es cierto (Ejercicio 3).
José María Moreno Jiménez (GDMZ). S3-26 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
Solución: a* = [0,1200,35]
x1 = 12, x2 = 12, d1− = d1+ = d 2− = 0, d 2+ = 1200; d 3− = 0, d 3+ = 35.
José María Moreno Jiménez (GDMZ). S3-27 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-28 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-29 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
Solución: a* = [0,0]
x1 = 30, x2 = 5, d1− = d1+ = d 2− = 0, d 2+ = 25; d 3− = 0, d 3+ = 35.
José María Moreno Jiménez (GDMZ). S3-30 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-31 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-32 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
Solución: a* = [0,0,0]
x1 = 2, x2 = 2, d1− = d1+ = d 2− = d 3+ = d 3− = 0, d 2+ = 1.
José María Moreno Jiménez (GDMZ). S3-34 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
[( )( )(
Lex mina = d1− + d1+ , d2− + d2+ , d3− + d3+ )]
sa
g1: x1 − x2 + d1− − d1+ = 0
g2 : x1 + x2 + d2− − d2+ = 3
g3: 2x1 + x2 + d3− − d3+ = 6
x ∈ X = {x1 + x2 ≤ 35}
Solución: a* = [0,0,15]
x1 = 1,5, x2 = 1,5, d1− = d1+ = d 2− = d 2+ = d 3+ = 0, d 3− = 1,5.
José María Moreno Jiménez (GDMZ). S3-35 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-36 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-37 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
INEFICIENCIA PARETIANA
• Puede decirse que la eficiencia paretiana es una condición
necesaria para garantizar la racionalidad de las soluciones
generadas por las diferentes TDMC (condición que deba
satisfacer una solución). Aunque los modelos PPM pueden
generar soluciones dominadas, éste es parece un serio
inconveniente. La PPM no se diseño para obtener soluciones
eficientes sino soluciones satisfactorias.
• Para poder comprobar la eficiencia se aplica el siguiente test que
aplicaremos a un Ejercicio 6. Es interesante notar que la solución
proporcionada por un modelo de PPM será no eficiente sólo si el
programa lineal resuelto en el caso de un modelo basado en PPM
ponderadas o el último modelo de PL de la secuencia
correspondiente a un modelo lexicográfico presenten óptimos
alternativos.
José María Moreno Jiménez (GDMZ). S3-38 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-39 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-40 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-41 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-42 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-43 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
METAS REDUNDANTES
• Ejercicio 9: Resolviendo por el método secuencial se ve que
las dos primeras prioridades se alcanzan pero la tercera no. En
este caso hay un punto (la intersección de las dos primeras
restricciones) en el que se minimiza la distancia a g3. Las
metas 4 y 5 son redundantes, y su omisión no influye en la
solución óptima del modelo. Si el nivel de aspiración de la P1
se hubiera rebajado por debajo de 3336, existirían óptimos
múltiples al resolver la 3 y ya no serían redundantes la 4 y al 5.
• Por otra parte parece razonable pensar que la inclusión de
metas por los dos lados aumente la probabilidad de que la meta
en cuestión sea redundante. Así si en la g2 y g3 se incluyeran
las dos desviaciones en la función logro, las metas de g1, g4 y
g5 serían redundantes.
José María Moreno Jiménez (GDMZ). S3-45 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-46 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.3. PUNTOS CRÍTICOS PPM
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-47 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
GDMZ Universidad de Zaragoza
• Referencias:
ROMERO, C. (1993): Teoría de la decisión
multicriterio: Conceptos, técnicas y aplicaciones.
Alianza Universidad Textos.
STEUER, R. (1986): Multiple Criteria Optimization:
Theory, Computation and Application. Krieger.
José María Moreno Jiménez (GDMZ). S3-48 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-50 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
EJEMPLO 4
Modelización:
• Sean xij el número de unidades que van del origen i (Oi) al destino j
(Dj) con i=1,...,m; j=1,...,n siendo ene este caso n=m=3.
• El Objetivo (z) es minimizar el coste total (z = 20x11 + 18x12+ 25x13 +
12x21+ 11x22 + 33x23 + 17x31+ 17x32 + 44x33 )
• Las restricciones corresponden a los recursos utilizados
[Orígenes, i=1,...,m] m n
Min Z = ∑∑ cij xij
(Sale del origen i ≤ cant. almacenada en i) i =1 j =1
n
xi1 + xi2+ x13 ≤ ai con a1=24, a2=6 y a3=11. s.a. ∑ xij ≤ ai i = 1,..., m
[Destinos, j=1,...,n] j =1
m
(Llega al destino j ≥ demandada en j) ∑ xij ≥ b j j = 1,..., n
i =1
x1j + x2j+ x3j ≥ bj con b1=15, b2=10 y b3=10.
xij ≥ 0 i = 1,..., m; j = 1,..., n
• No negatividad son xij ≥ 0
José María Moreno Jiménez (GDMZ). S3-51 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
EJEMPLO 4
• Resolución problema de transporte:
cij D1 D2 D3 DFicticio Oferta
O1 20 18 25 0 24
O2 12 11 33 0 6
O3 17 17 44 0 11
Demanda 15 10 10 6 41
Objetivo z= 651
José María Moreno Jiménez (GDMZ). S3-52 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
EJEMPLO 4
• Modelización:
p 1/ p z *j − z j ( x )
3 z * − z ( x)
Min d ( z , z*, p ) = ∑ j * j 0 Min d ( z , z*, ∞) = max j
j =1 z j − z j z *j − z 0j
3
z1 ( x) =
3
∑c x ij ij
z1 ( x) = ∑c x
i , j =1
ij ij
i , j =1
3
z2 ( x) = ∑d
3
x
ij ij
z 2 ( x) = ∑d
i , j =1
x
ij ij
i , j =1
3
∑e x
3
z3 ( x ) =
z3 ( x ) = ∑e x
i , j =1
ij ij
i , j =1
ij ij
José María Moreno Jiménez (GDMZ). S3-53 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
José María Moreno Jiménez (GDMZ). S3-54 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006
3.4. PRÁCTICAS
GDMZ Universidad de Zaragoza
EJEMPLO 4
S1*(Xij) D1 D2 D3 D4 Envios
• Resolución Ejemplo 4 O1
O2
0
4
8
2
10
0
6
0
24
6
O3 11 0 0 0 11
Tabla de óptimos individualizados Llegadas 15 10 10 6 z1*=651
Z1 Z2 Z3
S1 651 237 190 S2*(Xij) D1 D2 D3 D4 Envios
S2 655 233 150 O1 4 4 10 6 24
S3 673 239 126 O2 0 6 0 0 6
minimo 651 233 126 O3 11 0 0 0 11
maximo 919 324 220 Llegadas 15 10 10 6 z2*=233
Recorrido 268 91 94
S3*(Xij) D1 D2 D3 D4 Envios
O1 10 4 10 0 24
O2 0 6 0 0 6
Normas O3 5 0 0 6 11
Llegadas 15 10 10 6 z3*=126
p=1 p=2 p=infinito
0.1480236 0.09927693 0.0851064
José María Moreno Jiménez (GDMZ). S3-55 Postgrado en Decisión Multicriterio. Bahía Blanca, 2006